基于轻量化VGG的植物病虫害识别

深度神经网络模型被广泛应用在植物病虫害识别任务中,并取得巨大成功.同时,这些网络的计算复杂度和参数量也在不断增加,这将对神经网络的部署提出重大挑战,尤其是在硬件资源有限的设备或实时应用上.针对该问题,提出一种轻量化的病虫害识别模型,结合Ghost模块对VGG16进行改进,同时减少模型卷积层的卷积核个数,并引入Ranger优化器.试验结果表明,该模型在PlantVillage数据集上准确率为99.37％,FLOPs为88.45 M,比VGG16下降71.86％,有较快的收敛速度,在复杂环境下,模型的准确率为92.40％,识别时间为VGG16的50％.